CN109697291B - 文本的语义段落识别方法和装置 - Google Patents

Abstract

本申请实施例公开了语义段落识别方法和装置。语义段落识别方法的一实施例包括：将预先获取的至少两个待识别文本段输入预先训练的语言模型，得到用于表征至少两个待识别文本段的语义连续性的连续性特征；基于所得到的连续性特征，确定至少两个待识别文本段是否属于同一语义段落。该实现方式有利于提升语义段落识别的准确性。

Description

文本的语义段落识别方法和装置

技术领域

本申请实施例涉及自然语言处理领域，具体涉及文本段落切分领域，尤其涉及文本的语义段落识别方法和装置。

背景技术

文本段落切分是指给定几个连续的文本行，利用计算机自动判定给定的几个文本行是否应该合并为一个具有语义关系的段落。该技术可以用在多个场景，例如手机拍照翻译、图片翻译等。

目前，现有的文本段落切分技术主要采用基于规则的方法，即通过每一行文字的位置信息、文字的大小写信息、标点符号等信息来判断该段文字与上一段文字是否应该合并为一个段落。

发明内容

本申请实施例提出了文本的语义段落识别方法和装置。

第一方面，本申请实施例提供了一种文本的语义段落识别方法，包括：将预先获取的至少两个待识别文本段输入预先训练的语言模型，得到用于表征至少两个待识别文本段的语义连续性的连续性特征；基于所得到的连续性特征，确定至少两个待识别文本段是否属于同一语义段落。

在一些实施例中，在基于所得到的连续性特征，确定至少两个待识别文本段是否属于同一语义段落之前，方法还包括：将至少两个待识别文本段中的一个作为当前待识别文本段，并对当前待识别文本段输入预先生成的规则特征提取模型进行规则特征提取，以确定当前待识别文本段在预先设置的规则下的规则特征；基于所得到的连续性特征，确定至少两个待识别文本段是否属于同一语义段落，包括：将所得到的连续性特征和所确定的规则特征输入预先训练的语义段落识别模型，以确定至少两个待识别文本段是否属于同一语义段落。

在一些实施例中，语义段落识别模型利用预先生成的训练样本集训练得到；其中，训练样本集中的训练样本包括连续性样本特征和规则样本特征，连续性样本特征通过将第一样本词序列和第二样本词序列输入语言模型得到，规则样本特征通过将第二样本词序列输入规则特征提取模型得到；训练样本集中的训练样本还包括标注，标注用于标识第一样本词序列和第二样本词序列是否属于同一语义段落。

在一些实施例中，将预先获取的至少两个待识别文本段输入预先训练的语言模型，得到用于表征至少两个待识别文本段的语义连续性的连续性特征，包括：将预先获取的至少两个待识别文本段输入预先训练的语言模型；利用语言模型，对至少两个待识别文本段进行如下处理，以得到连续性特征：对至少两个待识别文本段进行分词，得到词序列；基于词序列中的词在预设语料库中的历史共现度，确定连续性特征。

在一些实施例中，至少两个待识别文本段通过以下方式得到：按照预先设置的识别顺序，从包含文字的图片中确定出文本区域序列；对文本区域序列中的各文本区域进行文字识别，得到识别结果序列；将识别结果序列中，相邻的至少两个识别结果作为至少两个待识别文本。

第二方面，本申请实施例还提供了一种文本的语义段落识别装置，包括：连续性特征生成单元，被配置成将预先获取的至少两个待识别文本段输入预先训练的语言模型，得到用于表征至少两个待识别文本段的语义连续性的连续性特征；确定单元，被配置成基于所得到的连续性特征，确定至少两个待识别文本段是否属于同一语义段落。

在一些实施例中，装置还包括规则特征生成单元；规则特征生成单元被配置成将至少两个待识别文本段中的一个作为当前待识别文本段，并对当前待识别文本段输入预先生成的规则特征提取模型进行规则特征提取，以确定当前待识别文本段在预先设置的规则下的规则特征；确定单元进一步被配置成：将所得到的连续性特征和所确定的规则特征输入预先训练的语义段落识别模型，以确定至少两个待识别文本段是否属于同一语义段落。

在一些实施例中，语义段落识别模型利用预先生成的训练样本集训练得到；其中，训练样本集中的训练样本包括连续性样本特征和规则样本特征，连续性样本特征通过将第一样本词序列和第二样本词序列输入语言模型得到，规则样本特征通过将第二样本词序列输入规则特征提取模型得到；训练样本集中的训练样本还包括标注，标注用于标识第一样本词序列和第二样本词序列是否属于同一语义段落。

在一些实施例中，连续性特征生成单元进一步被配置成：将预先获取的至少两个待识别文本段输入预先训练的语言模型；利用语言模型，对至少两个待识别文本段进行如下处理，以得到连续性特征：对至少两个待识别文本段进行分词，得到词序列；基于词序列中的词在预设语料库中的历史共现度，确定连续性特征。

在一些实施例中，至少两个待识别文本段通过以下方式得到：按照预先设置的识别顺序，从包含文字的图片中确定出文本区域序列；对文本区域序列中的各文本区域进行文字识别，得到识别结果序列；将识别结果序列中，相邻的至少两个识别结果作为至少两个待识别文本。

第三方面，本申请实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面描述的方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其中，程序被处理器执行时实现如第一方面描述的方法。

本申请实施例提供的文本的语义段落识别的方案，首先将预先获取的至少两个待识别文本段输入预先训练的语言模型，得到用于表征至少两个待识别文本段的语义连续性的连续性特征，接着，基于所得到的连续性特征，确定至少两个待识别文本段是否属于同一语义段落，使得方案能够通过根据多个文本段的语义连续性来判断多个文本段是否进行合并，有利于提升语义段落识别的准确性。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请一个实施例的文本的语义段落识别方法可以应用于其中的示例性系统架构图；

图2是根据本申请的文本的语义段落识别方法的一个实施例的流程图；

图3是根据本申请的文本的语义段落识别方法的一个应用场景的示意图；

图4是根据本申请的文本的语义段落识别方法的另一个实施例的流程图；

图5是至少两个待识别文本段的获取方式的一种可选的实现方式的流程；

图6是从图片中得到待识别文本的一个应用场景的示意图；

图7是根据本申请的文本的语义段落识别装置的一个实施例的结构图；

图8是适于用来实现本申请实施例的文本的语义段落识别方法的电子设备的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请的文本的语义段落识别方法或文本的语义段落识别装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户110可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种客户端应用，例如文字识别类应用、图像处理类应用、翻译类应用等。

终端设备101、102、103可以是具有屏幕的各种电子设备，包括但不限于智能手机、平板电脑、智能手表、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103发送的语义段落识别请求进行处理的后台服务器。后台服务器可以基于接收到的语义段落识别请求对待识别文本段进行特征提取等处理，并将处理结果(例如，用于指示多个待识别文本段是否属于同一个语义段落的信息)反馈给终端设备101、102、103。

需要说明的是，本申请实施例所提供的文本的语义段落识别方法可以由服务器105执行，也可以由终端设备101、102、103执行，或者，还可以一部分由服务器105执行而另一部分由终端设备101、102、103执行。相应地，文本的语义段落识别装置可以设置于服务器105中，也可以设置于终端设备101、102、103中，或者，还可以一部分设置在服务器105中而另一部分设置在终端设备101、102、103中。

应该理解，若本申请实施例所提供的文本的语义段落识别方法仅由服务器105或仅由终端设备101、102、103执行，图1所示的架构可以仅包含服务器或仅包含终端设备。此外，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。例如服务器可以为集群式的服务器，包括部署了不同进程的多台服务器。

继续参考图2，其示出了根据本申请的文本的语义段落识别方法的一个实施例的流程200。

该文本的语义段落识别方法，包括以下步骤：

步骤201，将预先获取的至少两个待识别文本段输入预先训练的语言模型，得到用于表征至少两个待识别文本段的语义连续性的连续性特征。

可以理解的是，在不同的应用场景中，待识别文本段可以通过不同的方式生成得到。例如，在“拍照翻译”或者“图片翻译”等应用场景中，待识别文本段可以是从通过拍摄或其它方式获取到的图片中，通过图片识别技术，如，OCR(Optical Character Recognition，光学字符识别)技术识别得到的。或者，在“语音识别”等应用场景中，待识别文本段可以是通过执行主体的音频接收模块或者与执行主体通信连接的音频接收设备接收的语音音频，经语音识别算法识别得到的。

在这里，执行主体可以通过任何可行的方式获取得到至少两个待识别文本段。例如，在一些应用场景中，待识别文本段可以预先存储于作为执行主体的电子设备的存储区域，或者，存储于与执行主体通过有线或无线方式通信连接的其它电子设备的存储区域。可以理解的是，这些待识别文本段中的每一个可以与能够唯一代表该待识别文本段的标识进行关联存储。这样一来，当可以通过与待识别文本段一一对应的标识来确定出待识别文本段，使得执行主体可以依据所接收到的标识来获取相应的待识别文本段。

语言模型(Language Model)，可以是根据语言客观事实而进行的语言抽象数学建模，是一种对应关系。利用语言模型，可以判断输入其中的文本中的各个词之间的关联关系，例如，这些词是否能够组成一个完整语句。

在一些可选的实现方式中，语言模型例如可以是神经网络模型。在这些可选的实现方式中，可以利用训练样本集来训练预先建立的神经网络模型，从而得到语言模型。具体地，可以将两个样本文本段落和用于指示该两个样本文本段落是否具有语义连续性的标注作为训练样本集中的训练样本，从而进行神经网络模型的训练。可以理解的是，在这些可选的实现方式中，神经网络模型可以具有任何可行的结构，例如，神经网络模型可以是CNN(Convolutional Neural Networks，卷积神经网络)、RNN(Recurrent Neural Network，循环神经网络)、LSTM(Long Short-Term Memory，长短期记忆网络)、GRU(Gated RecurrentUnit，门控循环单元)等已有的神经网络模型，或者是任何可行的、待未来开发的神经网络模型。

在另一些可选的实现方式中，语言模型也可以是统计语言模型。在这些可选的实现方式中，对统计语言模型进行训练的过程可以理解为获取统计特征的过程。在获取到输入其中的至少两个待识别文本段之后，语言模型可以通过如下的方式来得到至少两个待识别文本段的连续性特征：

首先，可以对至少两个待识别文本段进行分词，得到词序列。

在这里，可以理解的是，若待识别文本段中的文字是英文等拉丁语系语言文字，可以直接根据这些待识别文本段中，词语词之间的空格来进行分词，从而得到词序列。而若待识别文本段中的文字是中文等词语词之间无明显自然分界符的语言文字，可以通过任何可行的分词算法来对待识别文本段进行分词，例如，分词算法可以包括但不限于词典的分词算法、基于统计的分词算法、基于规则的分词算法等。可以理解的是，这些分词算法是现有技术中已广泛研究的技术，在此不再赘述。

在一些应用场景中，假设执行主体所获取到的是两个待识别文本段A、B，而对待识别文本段A分词得到的词序列为[a1,a2,…,an]，对待识别文本段B分词得到的词序列为[b1,b2,…,bm]，那么，对A、B两个待识别文本段进行分词得到的词序列可以是[a1,a2,…,an,b1,b2,…,bm]。

接着，可以基于词序列中的词在预设语料库中的历史共现度，确定连续性特征。

在这里，历史共现度可以理解为词序列中的词在预设语料库中共同出现的程度。共同出现，可以理解为两个或两个以上的词出现在语料库里的同一个语句、同一个段落或者同一篇文章中。可以理解的是，两个词共同出现的程度越高，可以认为这两个词属于相同语义段落的可能性就越大。

可以利用任何可行的方式来确定词的共现度。例如，在一些应用场景中，可以用两个词共同出现在语料库的同一个语句、同一个段落或者同一篇文章的次数，作为这两个词在该语料库中的共现度。或者，在另一些应用场景中，除了考虑两个词在语料库中共同出现的次数之外，为了尽可能地消除仅考虑共现次数时可能导致的比较生僻的词因语料库中出现较少而导致的误判断，还可以进一步考虑这两个词分别在语料库中出现的次数。在这些应用场景中，例如，可以通过如下的公式(1)来确定词a和词b的共现度PMI(a,b)：

其中，cnt(a,b)为词a和词b在语料库中的共现次数，而cnt(a)和cnt(b)则分别为词a和词b在语料库中出现的次数。

在语言模型为统计语言模型的这些可选的实现方式的一些应用场景中，可以将A、B两个待识别文本段中任意两个词的历史共现度所形成的向量作为该两个待识别文本段落的连续性特征。或者，在这些可选的实现方式的另一些应用场景中，可以将A、B两个待识别文本段中任意两个词的历史共现度中的最小值、平均值或者基于A、B两个待识别文本段中任意两个词的历史共现度所确定的数值作为该两个文本段落的连续性特征。

步骤202，基于所得到的连续性特征，确定至少两个待识别文本段是否属于同一语义段落。

由于在步骤201中，通过语言模型确定出了输入其中的至少两个待识别文本段的连续性特征，在本步骤中，可以将所确定的连续性特征作为判断该至少两个待识别文本段是否属于同一语义段落的依据。

例如，在一些应用场景中，若通过步骤201得到的连续性特征为一个特征值，在这些应用场景中，可以将该特征值与某一个预先确定的参考值进行比较，从而确定该至少两个待识别文本段是否属于同一语义段落。

本实施例提供的文本的语义段落识别方法，首先将预先获取的至少两个待识别文本段输入预先训练的语言模型，得到用于表征至少两个待识别文本段的语义连续性的连续性特征，接着，基于所得到的连续性特征，确定至少两个待识别文本段是否属于同一语义段落，使得方案能够通过根据多个文本段的语义连续性来判断多个文本段是否进行合并，有利于提升语义段落识别的准确性。

继续参见图3，图3是根据本实施例的文本的语义段落识别方法的应用场景的一个示意图300。

在图3所示的应用场景中，用户期望将其拍摄的照片301中所包含的文字翻译成中文。

从图3中，可以看出，照片中的文字被图像分成了两个部分，即：区域A和区域B。在对照片301进行文字识别时，区域A中的文字“If you are not expecting any callsduring your stay with us,”和区域B中的文字“just notify the front desk.”将作为两个独立的文本段被识别出。

在识别得到这两个文本段之后，可以将这两个文本段输入语言模型中，语言模型可以对该两个文本段进行处理(例如，分别对这两个文本段进行分词处理)，确定出这两个文本段的连续性特征，并根据确定出的连续性特征，判断这两个文本段是否属于同一个语义段落。

通过图3所示的应用场景可以看出，采用本实施例的文本的语义段落识别方法，无论图像中的文本段落之间是否插入了图片，也无论图像中各文本段落所处的位置是否相似或相邻近，均可以根据文本段中所包含的文字本身出发，有效地判断出待识别文本段落的语义连续性，从而有利于提升语义段落识别的准确性。

进一步参考图4，其示出了文本的语义段落识别方法的又一个实施例的流程400。

该文本的语义段落识别方法的流程400，包括以下步骤：

步骤401，将预先获取的至少两个待识别文本段输入预先训练的语言模型，得到用于表征至少两个待识别文本段的语义连续性的连续性特征。

本步骤401可以采用与图2所示实施例中的步骤201类似的方式执行，在此不再赘述。

步骤402，将至少两个待识别文本段中的一个作为当前待识别文本段，并对当前待识别文本段输入预先生成的规则特征提取模型进行规则特征提取，以确定当前待识别文本段在预先设置的规则下的规则特征。

例如，在文字识别的应用场景中，可以将从图像中识别得到的每一个文字行分别作为一个待识别文本段落。若从图像中识别得到了三个连续文字行A、B和C，那么，A、B和C可以分别作为一个待识别文本段落。那么，在判断文字行A和文字行B是否属于一个语义段落时，可以将文字行B作为当前待识别文本段，将其输入预先生成的规则特征提取模型，从而确定文字行B的规则特征。类似地，在判断文字行B和文字行C是否属于一个语义段落时，可以将文字行C作为当前待识别文本段，将其输入预先生成的规则特征提取模型，从而确定文字行C的规则特征。

本步骤中，预先设置的规则可以是任何对判断待识别文本段之间是否属于同一个语义段落具有一定影响的规则。这些规则例如可以包括但不限于：文本段的首字母是否为大写字母、文本段中的词是否全部大写、文本段的末尾是否有结尾标识符(例如句号、问号等标点符号)、文本段的长度(例如，文本段所包含的词的数量和/或文本段在图片中所占区域的长度)、文本段的高度(例如，文本段在图片中所占区域的高度)、文本段的起始词是否为专有名词、当前文本段与上一待识别文本段之间的间隔(例如，当前文本段在图片中所占区域和上一待识别文本段在图片中所占区域之间的距离)等中的任意至少一者。

规则特征可以理解为能够表征当前待识别文本段在某一个或者某几个预先设置的规则下的特点的标识。规则特征可以具有任何可行的表现形式。在一些应用场景中，规则特征可以表现为数字。在这些应用场景中，用于表征“文本段的首字母是否为大写字母”这一规则时，数值“1”例如可以理解为“文本段的首字母是大写字母”，而数值“0”则可以理解为“文本段的首字母不是大写字母”。类似地，用于表征“文本段中的词是否全部大写”这一规则时，数值“1”例如可以理解为“文本段中的词全部大写”，而数值“0”则可以理解为“文本段中的词未全部大写”。

这样一来，利用规则特征提取模型，可以得到当前待识别文本段在各预先设置的规则下的规则特征。在一些应用场景中，所得到的规则特征可以表示为特征向量，特征向量中的每一个分量可以对应某一个预先设置的规则下的规则特征。

可以理解的是，上述步骤401和步骤402的步骤编号并不用于限定该两个步骤的执行先后顺序。本领域技术人员可以理解，上述步骤401和步骤402可以以任何可行的顺序执行，例如，可以先执行步骤401再执行步骤402，或者，先执行步骤402再执行步骤401，或者，还可以并行地执行步骤401和步骤402。

步骤403，将所得到的连续性特征和所确定的规则特征输入预先训练的语义段落识别模型，以确定至少两个待识别文本段是否属于同一语义段落。

本步骤中，由于语义段落识别模型不仅接收语言模型输出的连续性特征，还接收规则特征提取模型输出的规则特征，使得语义段落识别模型输出的结论可以不仅考虑由语言模型得到的至少两个待识别文本段之间的连续性特征，还考虑由规则特征提取模型得到的该至少两个待识别文本段中的当前待识别文本段的规则特征，从而使得判断结果可以更加准确。

在本实施例的文本的语义段落识别方法的一些可选的实现方式中，语义段落识别模型可以利用预先生成的训练样本集训练得到。

训练样本集中的训练样本包括连续性样本特征和规则样本特征，其中，连续性样本特征通过将第一样本词序列和第二样本词序列输入语言模型得到，规则样本特征通过将第二样本词序列输入规则特征提取模型得到。

此外，训练样本集中的训练样本还包括标注，标注用于标识第一样本词序列和第二样本词序列是否属于同一语义段落。

在这些可选的实现方式中，第一样本词序列和第二样本词序列可以是分别对某个语句进行分词后得到的词序列，例如，可以是对某个文本段中连续的两个语句进行分词得到的词序列。

此外，在本申请的文本的语义段落识别方法的各实施例的一些可选的实现方式中，至少两个待识别文本段可以通过如图5所示的流程500得到。

具体地，在步骤501中，按照预先设置的识别顺序，从包含文字的图片中确定出文本区域序列。

在一些应用场景中，图片中的文字按照横向排版的方式进行排版。在这些应用场景中，可以按照自上而下的方式将每一个文字行所处的区域确定为一个文本区域，从而得到文本区域序列。

或者，在另一些应用场景中，图片中的文字按照竖向排版的方式进行排版。在这些应用场景中，可以按照从左至右或者从右至左的方式将每一个文字列所处的区域确定为一个文本区域，从而得到文本区域序列。

或者，在另一些应用场景中，图片中的文字按照块状排版的方式进行排版。在这些应用场景中，可以首先根据文字之间的间距等确定出各个文本块所处的区域，再按照从左至右、从上至下的方式将每一个文本块所处的区域作为一个文本区域，从而得到文本区域序列。

在步骤502中，对文本区域序列中的各文本区域进行文字识别，得到识别结果序列。

在步骤503中，将识别结果序列中，相邻的至少两个识别结果作为至少两个待识别文本。

参见图6所示，其示出了图片601中的文字按照横向排版的方式进行排版的场景。在该应用场景中，可以将每一个文字行所处的区域a1～a4分别作为文本区域，从而得到文本区域序列[a1,a2,a3,a4]。

接着，对文本区域序列中的各文本区域进行文字识别，可以得到识别结果序列[b1,b2,b3,b4]。其中，b1＝“If you are not expecting any calls during your staywith us,”；b2＝“just notify the front desk and we will reject all incoming”；b3＝“calls to your room.”；b4＝“Thank you.”。

这样一来，若应用本申请中图2所示的实施例对如601的图片中所包含的文本进行语义段落识别，首先，可以将b1和b2输入语言模型中，从而得到b1和b2的连续性特征，并基于连续性特征来判断b1和b2是否属于同一语义段落。以此类推，还可以将b2和b3输入语言模型中，并基于连续性特征来判断b2和b3是否属于同一语义段落，将b3和b4输入语言模型中，并基于连续性特征来判断b3和b4是否属于同一语义段落。

类似地，若应用本申请中图4所示的实施例对如601的图片中所包含的文本进行语义段落识别，首先，可以将b1和b2输入语言模型中，从而得到b1和b2的连续性特征，并将b2作为当前待识别文本段输入规则特征提取模型，从而得到b2的规则特征，再将b1和b2的连续性特征以及b2的规则特征输入语义段落识别模型，从而判断b1和b2是否属于同一语义段落。接着，可以将b2和b3输入语言模型中，从而得到b2和b3的连续性特征，并将b3作为当前待识别文本段输入规则特征提取模型，从而得到b3的规则特征，再将b2和b3的连续性特征以及b3的规则特征输入语义段落识别模型，从而判断b2和b3是否属于同一语义段落。最后，可以将b3和b4输入语言模型中，从而得到b3和b4的连续性特征，并将b4作为当前待识别文本段输入规则特征提取模型，从而得到b4的规则特征，再将b3和b4的连续性特征以及b4的规则特征输入语义段落识别模型，从而判断b3和b4是否属于同一语义段落。

进一步参考图7，作为对上述各图所示方法的实现，本申请提供了一种文本的语义段落识别装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图7所示，本实施例的文本的语义段落识别装置包括连续性特征生成单元701和确定单元702。

其中，连续性特征生成单元701可被配置成将预先获取的至少两个待识别文本段输入预先训练的语言模型，得到用于表征至少两个待识别文本段的语义连续性的连续性特征。

确定单元702可被配置成基于所得到的连续性特征，确定至少两个待识别文本段是否属于同一语义段落。

在一些可选的实现方式中，本实施例的文本的语义段落识别装置还可以包括规则特征生成单元(图中未示出)。

在这些可选的实现方式中，规则特征生成单元可被配置成将至少两个待识别文本段中的一个作为当前待识别文本段，并对当前待识别文本段输入预先生成的规则特征提取模型进行规则特征提取，以确定当前待识别文本段在预先设置的规则下的规则特征；确定单元进一步被配置成：将所得到的连续性特征和所确定的规则特征输入预先训练的语义段落识别模型，以确定至少两个待识别文本段是否属于同一语义段落。

在一些可选的实现方式中，语义段落识别模型可以利用预先生成的训练样本集训练得到；其中，训练样本集中的训练样本包括连续性样本特征和规则样本特征，连续性样本特征通过将第一样本词序列和第二样本词序列输入语言模型得到，规则样本特征通过将第二样本词序列输入规则特征提取模型得到；训练样本集中的训练样本还包括标注，标注用于标识第一样本词序列和第二样本词序列是否属于同一语义段落。

在一些可选的实现方式中，连续性特征生成单元701还可以进一步被配置成：将预先获取的至少两个待识别文本段输入预先训练的语言模型；利用语言模型，对至少两个待识别文本段进行如下处理，以得到连续性特征：对至少两个待识别文本段进行分词，得到词序列；基于词序列中的词在预设语料库中的历史共现度，确定连续性特征。

在一些可选的实现方式中，至少两个待识别文本段通过以下方式得到：按照预先设置的识别顺序，从包含文字的图片中确定出文本区域序列；对文本区域序列中的各文本区域进行文字识别，得到识别结果序列；将识别结果序列中，相邻的至少两个识别结果作为至少两个待识别文本。

下面参考图8，其示出了适于用来实现本申请实施例的文本的语义段落识别方法的电子设备的计算机系统800的结构示意图。图8示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图8所示，计算机系统800包括一个或多个处理器801，其可以根据存储在只读存储器(ROM)802中的程序或者从存储部分806加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM 803中，还存储有系统800操作所需的各种程序和数据。CPU 801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。

以下部件连接至I/O接口805：包括硬盘等的存储部分806；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分807。通信部分807经由诸如因特网的网络执行通信处理。驱动器808也根据需要连接至I/O接口805。可拆卸介质809，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器808上，以便于从其上读出的计算机程序根据需要被安装入存储部分806。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分807从网络上被下载和安装，和/或从可拆卸介质809被安装。在该计算机程序被中央处理单元(CPU)801执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括连续性特征生成单元和确定单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，连续性特征生成单元还可以被描述为“将预先获取的至少两个待识别文本段输入预先训练的语言模型，得到用于表征至少两个待识别文本段的语义连续性的连续性特征的单元”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：将预先获取的至少两个待识别文本段输入预先训练的语言模型，得到用于表征至少两个待识别文本段的语义连续性的连续性特征；基于所得到的连续性特征，确定至少两个待识别文本段是否属于同一语义段落。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (10)

1.一种文本的语义段落识别方法，包括：

将预先获取的至少两个待识别文本段输入预先训练的语言模型，得到用于表征所述至少两个待识别文本段的语义连续性的连续性特征；

将所述至少两个待识别文本段中的一个作为当前待识别文本段，并对所述当前待识别文本段输入预先生成的规则特征提取模型进行规则特征提取，以确定所述当前待识别文本段在预先设置的规则下的规则特征；

基于所得到的连续性特征，确定所述至少两个待识别文本段是否属于同一语义段落；

其中，所述基于所得到的连续性特征，确定所述至少两个待识别文本段是否属于同一语义段落，包括：

将所得到的连续性特征和所确定的规则特征输入预先训练的语义段落识别模型，以确定所述至少两个待识别文本段是否属于同一语义段落。

2.根据权利要求1所述的方法，其中，所述语义段落识别模型利用预先生成的训练样本集训练得到；

其中，所述训练样本集中的训练样本包括连续性样本特征和规则样本特征，所述连续性样本特征通过将第一样本词序列和第二样本词序列输入所述语言模型得到，所述规则样本特征通过将所述第二样本词序列输入所述规则特征提取模型得到；

所述训练样本集中的训练样本还包括标注，所述标注用于标识所述第一样本词序列和第二样本词序列是否属于同一语义段落。

3.根据权利要求1所述的方法，其中，所述将预先获取的至少两个待识别文本段输入预先训练的语言模型，得到用于表征所述至少两个待识别文本段的语义连续性的连续性特征，包括：

将预先获取的至少两个待识别文本段输入预先训练的语言模型；

利用所述语言模型，对所述至少两个待识别文本段进行如下处理，以得到所述连续性特征：

对所述至少两个待识别文本段进行分词，得到词序列；

基于所述词序列中的词在预设语料库中的历史共现度，确定所述连续性特征。

4.根据权利要求1-3之一所述的方法，其中，所述至少两个待识别文本段通过以下方式得到：

按照预先设置的识别顺序，从包含文字的图片中确定出文本区域序列；

对文本区域序列中的各文本区域进行文字识别，得到识别结果序列；

将所述识别结果序列中，相邻的至少两个识别结果作为所述至少两个待识别文本。

5.一种文本的语义段落识别装置，包括：

连续性特征生成单元，被配置成将预先获取的至少两个待识别文本段输入预先训练的语言模型，得到用于表征所述至少两个待识别文本段的语义连续性的连续性特征；

规则特征生成单元，被配置成将所述至少两个待识别文本段中的一个作为当前待识别文本段，并对所述当前待识别文本段输入预先生成的规则特征提取模型进行规则特征提取，以确定所述当前待识别文本段在预先设置的规则下的规则特征；

确定单元，被配置成基于所得到的连续性特征，确定所述至少两个待识别文本段是否属于同一语义段落；

其中，所述确定单元进一步被配置成：

将所得到的连续性特征和所确定的规则特征输入预先训练的语义段落识别模型，以确定所述至少两个待识别文本段是否属于同一语义段落。

6.根据权利要求5所述的装置，其中，所述语义段落识别模型利用预先生成的训练样本集训练得到；

其中，所述训练样本集中的训练样本包括连续性样本特征和规则样本特征，所述连续性样本特征通过将第一样本词序列和第二样本词序列输入所述语言模型得到，所述规则样本特征通过将所述第二样本词序列输入所述规则特征提取模型得到；

所述训练样本集中的训练样本还包括标注，所述标注用于标识所述第一样本词序列和第二样本词序列是否属于同一语义段落。

7.根据权利要求5所述的装置，其中，所述连续性特征生成单元进一步被配置成：

将预先获取的至少两个待识别文本段输入预先训练的语言模型；

利用所述语言模型，对所述至少两个待识别文本段进行如下处理，以得到所述连续性特征：

对所述至少两个待识别文本段进行分词，得到词序列；

基于所述词序列中的词在预设语料库中的历史共现度，确定所述连续性特征。

8.根据权利要求5-7之一所述的装置，其中，所述至少两个待识别文本段通过以下方式得到：

按照预先设置的识别顺序，从包含文字的图片中确定出文本区域序列；

对文本区域序列中的各文本区域进行文字识别，得到识别结果序列；

将所述识别结果序列中，相邻的至少两个识别结果作为所述至少两个待识别文本。

9.一种电子设备，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-4中任一所述的方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-4中任一所述的方法。

Images